CN103116743B - 一种基于在线学习的铁路障碍物检测方法 - Google Patents

Abstract

本发明涉及一种基于在线学习的铁路障碍物检测方法。传统的方法只利用了的图像边缘信息同时假设铁轨在图像中呈直线状，导致铁轨检测不全或弯道无法检测。本发明首先进行铁轨定位，然后在铁路区域进行障碍物检测。铁轨定位包括铁轨信息提取和利用动态规划定位铁轨信息。障碍物检测包括铁轨分段、纹理描述、在线学习和检测障碍物。本发明利用动态规划的方法提高了直线铁轨定位的精度，同时实现了铁轨的弯道定位；针对障碍物检测，本发明采用机器学习的方法实时分析、统计铁路路况，利用统计结果判断铁路当前路面是否存在障碍物，有效的降低障碍物检测的误检率，起到了火车辅助驾驶并大幅度降低了车载视频事后分析的工作量。

Description

一种基于在线学习的铁路障碍物检测方法

技术领域

本发明属于图像处理技术领域，涉及一种基于在线学习的铁路障碍物检测方法。

背景技术

火车安全驾驶一直以来都是一个热门的研究课题，我国每年有数以万计的人死于铁路交通，但遗憾的是目前尚未出现一种非常健全火车安全驾驶系统，所以就目前来说对火车前方障碍物检测方法的研究是非常有意义的。

基于车载传感器的前方障碍物检测方法主要分为两大类：一类是基于毫米雷达、激光雷达、超声波等非可视化传感器的方法；另一类是基于摄像头的可视化的障碍物检测方法。目前对后者的研究存在铁轨定位不准、障碍物检测误检率高等问题，主要原因在于：铁轨定位方面传统的方法只利用了的图像边缘信息同时假设铁轨在图像中呈直线状，导致铁轨检测不全或弯道无法检测；障碍物检测方面传统的方法假设铁轨内部纹理有很强的一致性，所以障碍物即轨内纹理突变的区域导致对轨内积水、岔道、脏东西等物体的误检。

发明内容

针对传统方法在铁轨定位过程中存在的问题，本发明提出了一种基于动态规划的铁轨定位方法。该方法能够快速有效地定位铁轨的位置，同时能解决弯道无法检测问题。针对障碍物检测问题，本发明提出了一种基于在线学习的障碍物检测，利用机器学习的方法，实时分析、统计铁轨路况，能够有效的降低对岔道、积水等物体的误检。

本发明解决技术问题所采取的技术方案为：本发明首先进行铁轨定位，然后在铁路区域进行障碍物检测。

所述的铁轨定位，其具体步骤是：

1、铁轨信息提取

铁轨信息提取的主要目标是估计铁轨在图像上的起始点坐标及消失点的坐标。经测试火车近处的铁轨在图像中表现为直线，同时根据透视变化的规律，铁轨宽度在图像中呈线性变化，所以确定了近处铁轨直线信息就同时确定了铁轨的起始坐标及消失点的坐标，其实现过程如下所示：

a)计算图像梯度。

b)边缘检测。

c)利用hough变换提取图像的直线段。

d)根据铁轨在图像中的角度变化和铁轨之间的距离提取符合要求的直线对。

e)选取梯度最强的直线对，即为图像中近处铁轨。

f)计算选定的直线对的直线表达式，两直线与图像底边的交点为铁轨的起始坐标，两直线的交点为铁轨的消失点。需要说明的是这里只计算了消失点的纵向坐标。

2、利用动态规划定位铁轨信息

动态规划是一种根据某种规则计算最优路径的方法，在车载摄像头采集的视频中，铁轨对于图像局部来说其梯度总是最强的(大部分情况总是这样)，所以可以以图像梯度为代价用动态规划的方法来定位铁轨的位置，为了提高动态规划的稳定性，本发明以两条铁轨的梯度为代价同时搜索两条铁轨的位置信息。

所述的障碍物检测，其具体步骤是：

1、铁轨分段

对铁轨进行分段，每段区域的高度为铁轨最大宽度的1/6。

2、纹理描述

采用LBP纹理直方图作为每个区域的纹理描述，LBP算子为：

其中

$U\left({\mathrm{LBP}}_{P,R}\right)=|s(g_{p-1}-g_c)-s(g_0-g_c)|+\underset{P=1}{\overset{P-1}{\Σ}}|s(g_p-g_c)-s(g_{p-1}-g_c)|---\left(2\right)$

LBP描述的是一种区域的纹理变化模式，R表示区域半径，P表示相邻像素个数，g_c表示区域中心的像素值，g_p表示相邻像素的像素值。

3、在线学习

在线学习这里采用高斯建模的方式，分别对每个铁轨段进行建模，并且每帧更新。

4、障碍物检测

分别计算每个铁轨段的纹理直方图，并计算每个铁轨段的纹理概率，概率过小则认为是该区域可能存在障碍物并进行报警，否则不存在障碍物。

本发明的有益效果：

本发明针对传统铁路障碍物检测方法的不足，利用动态规划的方法提高了直线铁轨定位的精度，同时实现了铁轨的弯道定位；针对障碍物检测，本发明采用机器学习的方法实时分析、统计铁路路况，利用统计结果判断铁路当前路面是否存在障碍物，有效的降低障碍物检测的误检率，起到了火车辅助驾驶并大幅度降低了车载视频事后分析的工作量。

附图说明

图1为本发明方法流程图；

图2为本发明中动态规划示意图；

图3为铁轨分段方法示意图；

图4为LBP示意图。

具体实施方式

以下结合附图和实施例对本发明作进一步说明。

为了解决传统障碍物检测方法的不足，本发明提出了一种基于在线学习的障碍物检测方法。实现过程如图1所示，主要分为铁轨定位和障碍物检测两大部分，具体步骤如下所示：

一、铁轨定位

铁轨定位分为两个步骤：

1、铁轨信息提取

a)计算图像梯度，本发明在实现过程中采用了SOBEL算子，如下所示：

$\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]---\left(3\right)$

b)边缘检测，本发明在实现过程采用canny，也可以直接采用二值化的方式对效果影响不是特别大。

c)利用hough变换提取图像的直线段。

d)根据铁轨在图像中的角度变化和两铁轨之前的距离提取符合要求的直线对，假设线段L1的端点坐标为(a,b)(c,d)，线段L2的端点坐标为(e,f)(g,h)。

其中DM、Dm视相机安装角度而定，本发明实现中DM图像宽度1/2,Dm为图像宽度的1/3。

e)选取梯度最强的直线对，即为图像中近处铁轨。

f)计算选定的直线对的直线表达式，两直线与图像底边的交点为铁轨的起始坐标，两直线的交点为铁轨的消失点。需要说明的是这里只计算了消失点的纵坐标。

2、利用动态规划定位铁轨信息

为了和动态规划代价函数最小相对应，本发明在实现过程中对梯度幅值图进行翻转，这样就相当于求从铁轨的起始点开始到消失点的梯度幅值最小路径，路径搜索如图2所示，其函数表达为：

$P_{i,j}=\underset{allpossibelpath}{min}\{C_{i-1,j},C_{i,j},C_{i+1,j}\}---\left(5\right)$

其中P_i,j是(i,j)处的最小的代价值，C_i,j是(i,j)处的代价值，其表达式如下所示：

$C_{i,j}=\underset{n\∈\{j-1,j,j+1\}}{min}\{C_{i-1,n}+G_{i,n}+G_{i,n+r}\}---\left(6\right)$

其中G_i,n为(i,n)处的梯度值，r为(i-1,n)处最小代价时的铁轨宽度。

二、障碍物检测

障碍物检测阶段的实现分为四个步骤：

1、铁轨分段

为了提高算法的稳定性减少透视变化的影响，本发明对铁轨进行分段建模的方法，铁轨分段方法如图3所示，每段区域的高度为铁轨最大宽度的1/6。

2、纹理描述

这里采用LBP纹理直方图作为每个区域的纹理描述，LBP算子如公式(1)、(2)所示，示意图如图4所示，本发明在实现过程中P＝8，R＝1。

3、在线学习

在线学习这里采用高斯建模的方式，分别对每个铁轨段进行建模，并且每帧更新。

4、障碍物检测

分别计算每个铁轨段的纹理直方图，并计算每个铁轨段的纹理概率，概率过小则认为是该区域可能存在障碍物并进行报警，否则不存在障碍物。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应带理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。

Claims (2)

1.一种基于在线学习的铁路障碍物检测方法，其特征在于该方法包括铁轨定位和障碍物检测；所述的铁轨定位包括步骤1和步骤2；所述的障碍物检测包括步骤3、步骤4、步骤5和步骤6；

步骤1、铁轨信息提取；

铁轨信息提取的主要目标是估计铁轨在图像上的起始点坐标及消失点的坐标；经测试火车近处的铁轨在图像中表现为直线，同时根据透视变化的规律，铁轨宽度在图像中呈线性变化，所以确定了近处铁轨直线信息就同时确定了铁轨的起始坐标及消失点的坐标，其具体过程如下所示：

a)计算图像梯度；

b)边缘检测；

c)利用hough变换提取图像的直线段；

d)根据铁轨在图像中的角度变化和铁轨之间的距离提取符合要求的直线对；

e)选取梯度最强的直线对，即为图像中近处铁轨；

f)计算选定的直线对的直线表达式，两直线与图像底边的交点为铁轨的起始坐标，两直线的交点为铁轨的消失点；

步骤2、利用动态规划定位铁轨信息；

动态规划是一种根据某种规则计算最优路径的方法，在车载摄像头采集的视频中，铁轨对于图像局部来说其梯度总是最强的，以图像梯度为代价，用动态规划的方法来定位铁轨的位置，为了提高动态规划的稳定性，以两条铁轨的梯度为代价同时搜索两条铁轨的位置信息；

步骤3、铁轨分段；

对铁轨进行分段，每段区域的高度为铁轨最大宽度的1/6；

步骤4、纹理描述；

采用LBP纹理直方图作为每个区域的纹理描述，LBP算子为：

其中

$U\left({\mathrm{LBP}}_{P,R}\right)=|s(g_{p-1}-g_c)-s(g_0-g_c)|+\underset{P=1}{\overset{P-1}{\mathrm{\Σ}}}|s(g_p-g_c)-s(g_{p-1}-g_c)|$

LBP描述的是一种区域的纹理变化模式，R表示区域半径，P表示相邻像素个数，g_c表示区域中心的像素值，g_p表示相邻像素的像素值；

步骤5、在线学习；

在线学习这里采用高斯建模的方式，分别对每个铁轨段进行建模，并且每帧更新；

步骤6、障碍物检测；

分别计算每个铁轨段的纹理直方图，并计算每个铁轨段的纹理概率，概率过小则认为是该区域可能存在障碍物并进行报警，否则不存在障碍物。

2.根据权利要求1所述的一种基于在线学习的铁路障碍物检测方法，其特征在于：步骤1中a)计算图像梯度采用SOBEL算子。